12月23日,百度如流首次举办发布会“AI在手,工作如流——百度如流智会2020”,宣布全面升级为新一代智能工作平台,以AI赋能企业工作全场景,助力企业提效创新,引领企业智能化转型。百度集团副总裁、百度集团首席信息官(CIO)李莹,对如流品牌全面升级进行了深度解读,并分享了如流企业服务生态布局等业务进展。发布会上,百度如流还与埃森哲联合首发《企业智能工作白皮书》,并在现场举行了百度如流与浦发银行的“新CALL浦”合作仪式。
图:百度集团副总裁、百度集团首席信息官(CIO)李莹发表演讲
李莹提到:“在整个智能化转型过程中,AI义不容辞的成为了其中的核心引擎和关键燃料。如流将以AI 技术为抓手,赋能企业工作全场景提升生产效率;以知识管理为核心,助员工成长、助企业创新;以服务能力为依托,全面支持企业数字生态战略建设”。此次如流全面升级为新一代智能工作平台,便是以百度积累的深厚AI技术赋能企业员工、组织、业务和经营的方方面面,不仅拓展了企业业务、运营场景下所需要的全场景服务能力,同时支持员工、组织在工作场景中的无缝连接、高效协同、加速创新,为企业提供智能化服务及应用,提升企业经营效率,助力企业及员工创新。
AI智能工作平台标准升维,“流式”工作方式助力企业提效创新
如流对AI智能工作平台标准进行了全面升维,在保留了原有“1+2+3”架构的同时,“1”升级为新一代智能工作平台,“2”仍为技术底座AI中台和知识中台,“3”则为AI时代实现流式工作所必须的通讯流、工作流和知识流。具体来讲,百度如流在以百度大脑为支撑的两大技术底座基础上,打造出了专注沟通连接的通讯流、协同企业工作全流程的工作流,以及激发个人与组织创新需求的知识流,进而实现智能流式工作。在通讯流与工作流中产生的创造性成果,沉淀于知识流中,经过在企业内部的流转与迭代,知识会再度反馈于通讯和工作场景中,实现三者的互通互联,为企业打造行云流水般的智能工作体验。
图:百度如流全面升维AI智能工作平台标准
升维后的AI智能工作平台标准,以智能的“流式”工作方式赋能企业全流程工作场景,解决业务提效和组织创新两大难题,打造智能经济时代的核心竞争力。与此同时,如流也呼吁业界同行共同聚焦企业智能化工作方式的变革,以创新的形式推动更多企业的智能化升级步伐。百度如流与埃森哲联合发布了《企业智能工作白皮书》,从行业角度进一步明确了智能工作的等级划分。
“用”、“聊”、“搜”、“荐”,赋能人才与企业高速成长
在实现企业工作方式智能化变革的过程中,知识管理十分关键。发布会上,百度智能办公平台总监贺锋也进一步阐述了如流企业级的知识管理体系在智能工作平台中发挥的重要价值:基于“用”“聊”“搜”“荐”,如流构建的知识管理体系便连接了全工作场景,搭建企业知识网络,加速了知识的创造、流动、应用和反馈,赋能员工与企业共同成长。
图:百度智能办公平台部总监贺锋发表演讲
智能“AI助手”,深度赋能企业工作全场景
百度企业智能平台部&企业运营平台部总监李涛介绍:基于百度智能云平台领先的人工智能、大数据及云计算能力,百度如流打造的一系列看不见的智能“助手”。在财务、税务、合同等职能领域,以AI替代人力,大大提升企业运营效率。
图:百度企业智能平台部&企业运营平台部总监李涛发表演讲
如流&浦发银行“新CALL浦”,开启企业数字生态建设新起点
百度如流与浦发银行携手打造满足全栈数字化能力要求的新一代数字化工作平台——“新CALL浦”,并举行发布仪式。如流将助力浦发银行实现“全用户、全时域、全服务、全智联”的全景银行目标。
图:百度如流与浦发银行合作仪式
即将到来的2021年也是产业智能化转型升级的关键一年,中央经济工作会议和“十四五”规划中,“大力发展数字经济,推动产业智能化转型”频频出现,成为关键热词。百度如流依托百度领先的人工智能技术、深厚的知识管理能力与丰富的企业服务经验,满足了企业对于一种更加高效、协同与创新的智能工作模式的追求,通过企业工作方式的智能化变革为企业成功转型提速加码。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。